基于遙感技術(shù)的宜良縣云南松蓄積量反演

李紫荊，胥 輝

(西南林業(yè)大學(xué)，云南 昆明 650224)

1 引言

森林是地球上最大的陸地生態(tài)系統(tǒng)，是全球生物圈中重要的一環(huán)。它是地球上的基因庫、碳貯庫、蓄水庫和能源庫，對維系整個地球的生態(tài)平衡起著至關(guān)重要的作用，是人類賴以生存和發(fā)展的資源和環(huán)境。

森林蓄積量多用于統(tǒng)計(jì)較大尺度的地區(qū)范圍各種活立木的材積總量，可按樹種、徑級、材種等分別統(tǒng)計(jì)不同活立木的材積總量。森林蓄積量是反映一個國家或地區(qū)生產(chǎn)力的一項(xiàng)重要指標(biāo)，隨樹種和立地條件等的不同而發(fā)生有規(guī)律的變化，也為森林可持續(xù)經(jīng)營與發(fā)展、全球氣候變化研究提供科學(xué)依據(jù)。

傳統(tǒng)的森林資源調(diào)查不僅費(fèi)時費(fèi)力，而且難以反映森林的動態(tài)發(fā)展情況。因此，林業(yè)工作者及研究人員一直致力于探索如何利用飛速發(fā)展的遙感技術(shù)對蓄積量進(jìn)行估測[1，2]。采用遙感數(shù)據(jù)估測蓄積量，仍然存在遙感因子選取、生物量建模方法[3]、遙感數(shù)據(jù)飽和[4]等眾多不確定性問題。

滇中區(qū)域作為中國的世界自然和文化遺產(chǎn)保護(hù)地，擁有豐富的森林資源[7]、較高的生物量和生產(chǎn)力，這些森林資源不僅為當(dāng)?shù)氐纳鐣?jīng)濟(jì)發(fā)展提供了直接的物質(zhì)基礎(chǔ)，而且在維護(hù)地區(qū)生態(tài)和碳平衡中起著巨大作用[8]，也為遙感估測蓄積量提供了較好的地域條件。

此外，雖然 Landsat 數(shù)據(jù)具備空間分辨率優(yōu)勢，但由于光學(xué)遙感成像易受天氣影響，大范圍的森林類型識別仍面臨數(shù)據(jù)收集困難、處理效率低下等問題[9]。Google Earth Engine(GEE)遙感云計(jì)算平臺的出現(xiàn)成為解決遙感數(shù)據(jù)收集困難和處理效率低下問題的新途徑。GEE平臺公共數(shù)據(jù)庫中提供了目前廣泛使用的地理空間數(shù)據(jù)集、機(jī)器學(xué)習(xí)算法和JavaScript、Python編程語言接口，方便用戶對大規(guī)模的多源數(shù)據(jù)進(jìn)行高效的分析處理[10]。因此，本研究使用Google Earth Engine云平臺 Landsat 8 OLI 影像數(shù)據(jù)，以宜良縣優(yōu)勢樹種云南松為研究對象，通過外業(yè)樣地調(diào)查并進(jìn)行蓄積量計(jì)算，提取對應(yīng)的多種遙感因子，篩選重要性因子，以尋找較為理想的建模方法，為區(qū)域生物量遙感估測提供技術(shù)和理論更新。

2 研究區(qū)概況

宜良縣位于云南省中部，也是云南松的中心分布區(qū)，地處北緯24°30′36″～25°17′02″、東經(jīng)102°58′22″～103°28′75″之間，東臨陸良縣、石林彝族自治縣，南接彌勒市、華寧縣，西與澄江市、呈貢區(qū)和官渡區(qū)毗鄰，北同嵩明縣、馬龍區(qū)相連。宜良地勢北高南低，山地與盆地相間，境內(nèi)山脈多為東北至西南走向，全縣平均海拔在1500～1800 m。宜良?xì)夂驅(qū)俦眮啛釒Ъ撅L(fēng)氣候區(qū)。冬春干旱少雨，夏秋多雨濕潤，冬無嚴(yán)寒，夏無酷暑，每年旱季為11月份至次年4月份，雨季為5～10月份，氣溫年差較小，日差較大，年平均溫度16.3 ℃。

目前對其森林資源、生態(tài)環(huán)境和多樹種分布等方面已有研究，但對該區(qū)域某單一樹種分布變化的研究較少[11]。本研究圍繞宜良縣云南松空間分布變化展開。云南松(Pinusyunnanensis)分布于西藏東部、四川西部及西南部、云南、貴州西部及西南部和廣西西北部，是西南地區(qū)的鄉(xiāng)土樹種，也是該地區(qū)的荒山綠化造林先鋒樹種，多分布于海拔1000～3200 m的地區(qū)，常形成大面積純林。木材可供建筑、家具和木纖維原料業(yè)等使用；松根可培養(yǎng)茯苓；樹皮可提栲膠；種子可榨油。

3 研究方法

3.1 數(shù)據(jù)來源

3.1.1 Landsat8 OLI數(shù)據(jù)源

本研究使用由 Landsat 8 OLI 的大氣校正表面反射率(SR)數(shù)據(jù)。SR數(shù)據(jù)是由原始影像亮度值轉(zhuǎn)換為地球表面的光譜輻射值，再轉(zhuǎn)換為地球表面反射率值。

3.1.2 樣地實(shí)測數(shù)據(jù)

宜良縣2007年森林資源二類調(diào)查數(shù)據(jù)，樣地信息包括：小班空間信息分布以及蓄積、樹種、樹齡、樹高、胸徑、郁閉度等。

3.2 數(shù)據(jù)處理

3.2.1 遙感影像處理

由于GEE平臺提供的遙感影像范圍是按衛(wèi)星的飛行軌道顯示，顯示范圍是正方形，因此分析前需要對遙感影像進(jìn)行處理，以達(dá)到滿足研究要求的精度，從而保證后期信息數(shù)據(jù)提取的真實(shí)性。

3.2.2 遙感特征因子提取

森林的構(gòu)成不相同，則提取的植被參數(shù)就有差異，導(dǎo)致不同群落的生物量也各不相同，反映在遙感影像上表現(xiàn)出不同的色調(diào)、結(jié)構(gòu)和紋理特征[12]。同時Landsat 8 OLI影像含有不同的波段，需要對遙感影像進(jìn)行系列的處理、波段計(jì)算、變換、主成分提取等步驟獲取遙感特征信息指數(shù)，并結(jié)合地面生物量調(diào)查數(shù)據(jù)建立一定的關(guān)系，以便計(jì)算或反演大尺度森林生物量。由此，能夠反映出遙感影像特征的因子均能夠作為遙感估測思茅松林生物量模型的備選變量。本研究將選取Landsat 8 OLI影像的紋理特征和光譜特征因子來構(gòu)建云南松林的蓄積量反演模型。

3.2.2.1 紋理特征提取

紋理特征反映的是圖像或圖像區(qū)域所對應(yīng)地物的表面性質(zhì)，同時還能體現(xiàn)出地物的各種結(jié)構(gòu)與周圍不同環(huán)境信息的關(guān)系，以此反映地表所有的空間變化信息，從遙感影像中提取出紋理特征，以此來獲得紋理信息因子定性或定量的描述，結(jié)果如圖1～6所示。

圖1 紋理特征1

圖4 紋理特征4

圖2 紋理特征2

圖5 紋理特征5

圖3 紋理特征3

圖6 紋理特征6

圖1～6說明：紋理特征反應(yīng)的是圖像或圖像區(qū)域所對應(yīng)地物的表面性質(zhì)，同時還能夠體現(xiàn)出地物的各種結(jié)構(gòu)與周圍不同環(huán)境信息的關(guān)系，以此反映地表所有的空間變化信息，從遙感影像中提取出紋理特征，以此來獲得紋理信息因子的定性或定量的描述，這個過程稱為紋理分析。

紋理是以灰度值的空間共生特性來衡量，細(xì)紋理的粗細(xì)是評價(jià)其空間變化的一種方法，紋理越細(xì)說明變化越快，隨距離的增大，出紋理會有一定的變化。本研究共應(yīng)用了6種紋理特征：均一性(Homogeneity, HO )、相異性(Dissimilarity, DI )、均值(Mean, ME)、角二階矩(Angular second moment, SM)、熵(Entropy, EN)、相關(guān)性(Correlation, CC)。

3.2.2.2 植被指數(shù)因子

從遙感影像的可見光和近紅外波段中，進(jìn)行不同波段的重組，即得到研究中常用的植被指數(shù)，是對植被狀況的量化。從植被指數(shù)中可以清楚了解植被的生長、葉片的發(fā)育情況等。近年來，大量研究通過對植被指數(shù)的定性和定量評價(jià)判定植被覆蓋度和生長的活力，同時對森林生物量的變化做出靈敏的反應(yīng)。因此本研究共選取了8種類型包括VIS234、SAV12，比值植被指數(shù)，MV17、MSR，差值植被指數(shù)，大氣阻抗植被指數(shù)和地表反照率植被指數(shù)。提取結(jié)果如圖7～圖14所示。

圖7 VIS234

圖8 SAV12

圖11 MSR

圖9 比值植被指數(shù)

圖12 差值植被指數(shù)

圖13 大氣阻抗植被指數(shù)

圖14 地表反照率植被指數(shù)

圖7～14說明：植被指數(shù)是遙感影像可見光和近紅外波段的各種組合運(yùn)算，是對地表植被狀況的簡單、有效和經(jīng)驗(yàn)的度量。在遙感應(yīng)用領(lǐng)域，植被指數(shù)已廣泛用來定性和定量評價(jià)植被覆蓋及其生長活力，同時對森林生物量的變化有靈敏的反映機(jī)制。因此本研究在參考國內(nèi)外生物量遙感估測中所采用的植被指數(shù)的基礎(chǔ)上，將選取包括多波段線性組合植被指數(shù)、歸一化植被指數(shù)、簡單比值植被指數(shù)和復(fù)雜植被指數(shù)等類型。

3.2.3 模型構(gòu)建

3.2.3.1 變量篩選

篩選與蓄積量相關(guān)性高的，可以提高模型擬合效果的變量是研究的關(guān)鍵。特征選擇是指在建模過程中通過一定的方法選取一個特征子集建立新模型的過程，這個子集包含更少的特征變量[11]，在篩選變量前，變量集合中存在大量特征變量，并且這些變量間可能存在相關(guān)性，造成冗余，降低模型的運(yùn)行效率和擬合精度。因此，為提高模型性能，獲得對模型更重要的變量，需要對變量進(jìn)行處理得到最優(yōu)變量，本研究通過SPSS.22的皮爾遜相關(guān)系數(shù)(Pearson correlation cofficient; PCCs)對云南松遙感特征因子進(jìn)行相關(guān)性分析，選取與蓄積量相關(guān)性p<0.05的遙感特征因子進(jìn)行建模。

3.2.3.2 蓄積量模型構(gòu)建

本研究根據(jù)宜良縣Landsat 8 OLI遙感影像分布提取光譜特征和紋理特征，通過皮爾遜相關(guān)系數(shù)篩選后，獲取最優(yōu)的遙感變量參與構(gòu)建基于遙感變量的生物量估測模型，對比分析多元線性回歸的擬合效果和精度。

遙感圖像綜合記錄了森林的各種特征，如森林的光譜特征、結(jié)構(gòu)紋理特征等。這些特征取決于森林的類型、生長情況和場地條件。因此，可以利用統(tǒng)計(jì)建模技術(shù)來分析森林蓄積量與遙感影像特征之間的相關(guān)性。在此基礎(chǔ)上，利用多元線性回歸技術(shù)，森林體積遙感模型可以根據(jù)遙感因素的特征間接估計(jì)森林體積。

多元線性回歸建模方法主要包括模型的參數(shù)估計(jì)、假設(shè)檢驗(yàn)、殘差分析以及最優(yōu)回歸方程的選取等。多元回歸的一般表達(dá)式：

y=b0+b1x1+b2x2+…+bnxn

(1)

式(1)中：y為解釋變量，b0為常數(shù)項(xiàng)，b1，b2，……bn為模型系數(shù)，x1,x2……xn為相關(guān)遙感特征因子，n為自變量個數(shù)。

3.2.4 模型評價(jià)與檢驗(yàn)

模型評估是檢驗(yàn)?zāi)Ｐ蛥⒖純r(jià)值高低的重要組成部分。本文主要采用決定系數(shù)(R2)來對模型精度進(jìn)行評價(jià)，當(dāng)R2越接近1時，表示相關(guān)的方程式參考價(jià)值越高。相反，當(dāng)R2越接近0時，表示參考價(jià)值越低。其計(jì)算公式如下：

(2)

選取相對均方根誤差(RMSE)作為模型的獨(dú)立性檢驗(yàn)指標(biāo)。其計(jì)算公式如下：

(3)

3.2.5 模型反演

利用森林蓄積量預(yù)測值繪制整個研究區(qū)的蓄積量空間分布圖，利用所構(gòu)建的模型計(jì)算云南松蓄積量值，最終反演出研究區(qū)云南松林的蓄積量。

4 結(jié)果與分析

4.1 遙感變量篩選

本研究通過SPSS.22的皮爾遜相關(guān)系數(shù)(Pearson correlation cofficient; PCCs)對云南松遙感特征因子進(jìn)行相關(guān)性分析，選取與蓄積量相關(guān)性p<0.05的遙感特征因子，如表1所示，得到WLTZ，Albedo，DVI，B3，B1，WLTZ5，B2，B7和B5這幾個遙感變量。

表1遙感特征因子篩選結(jié)果

4.2 多元線性回歸模型構(gòu)建

多元線性回歸模型中(表2)，云南松林遙感變量的決定性系數(shù)R2為0.259，調(diào)整后R2為0.236，標(biāo)準(zhǔn)估算錯誤為34.5579，擬合效果一般。

表2 多元線性回歸模型描述

由模型系數(shù)顯著性結(jié)果可知(表3)，模型最終保留變量B1、DVI、Albedo、B7、B5、B3、B2、WLTZ5和WLTZ，以此建立云南松林多元線性回歸蓄積量估測最優(yōu)模型表達(dá)式，如公式(4)所示：

Y=91.654+0.007B1-0.09DVI-0.076Albedo+0.095B7+0.138B5+0.087B3+0.104B2+0.016WLTZ5-0.275WLTZ

(4)

4.3 蓄積反演

圖15為采用多元線性回歸模型進(jìn)行的研究區(qū)蓄積量反演圖。

圖16為采用隨機(jī)森林模型進(jìn)行的研究區(qū)蓄積量反演圖。

5 結(jié)論與討論

5.1 結(jié)論

文中以云南省宜良縣為研究區(qū)，以森林二類調(diào)查數(shù)據(jù)為基礎(chǔ)，遙感數(shù)據(jù)源來自于Landsat 8 OLI影像，

表3 多元線性回歸模型系數(shù)顯著性

圖15 多元線性模型下研究區(qū)蓄積量反演

圖16 隨機(jī)森林模型下研究區(qū)蓄積量反演

結(jié)合地面角規(guī)控制樣地調(diào)查數(shù)據(jù)，提取紋理特征、植被因子、地形因子和K-T變換這四類遙感特征因子，利用多元線性回歸模型和隨機(jī)森林模型建立基于遙感特征因子的森林蓄積量估測模型，分析模型精度，獲得最優(yōu)估測模型的自變量，以期尋找較為理想的建模方法，為區(qū)域蓄積量遙感估測提供一定的理論參考。本研究中多元線性回歸模型的R2為0.236，RMSE為34.5579，擬合精度有待提高。經(jīng)過模型檢驗(yàn)，該模型擬合誤差較大，精度較低，擬合效果不佳。其原因可能存在于數(shù)據(jù)采集和模型選擇上。宜良研究區(qū)地形地勢復(fù)雜，在影像數(shù)據(jù)獲取過程中存在一定程度的誤差，導(dǎo)致在數(shù)據(jù)獲取和處理過程中存在問題，此外，建模模型選擇多元線性回歸模型，忽略了森林?jǐn)?shù)據(jù)的空間效應(yīng)，導(dǎo)致有偏估計(jì)的產(chǎn)生。隨機(jī)森林模型的R2為0.887，RMSE為1.1954，擬合精度極高，可以作為較為理想的建模方法。

目前，森林蓄積量的遙感估測研究大多集中在多源數(shù)據(jù)和多種模型的蓄積量估測，本研究嘗試結(jié)合遙感數(shù)據(jù)源，建立蓄積量估測模型，并對其進(jìn)行蓄積量反演，為綜合考慮森林的生態(tài)學(xué)意義的森林蓄積量模型構(gòu)建提供參考依據(jù)。

實(shí)測樣地?cái)?shù)據(jù)的獲取需要消耗極大的人力物力，且外業(yè)成本較高，存在一定的局限性，在研究中通過二調(diào)數(shù)據(jù)與遙感特征因子相結(jié)合：一方面，解決地面數(shù)據(jù)與蓄積量匹配上存在的問題；另一方面，可以從二調(diào)數(shù)據(jù)中獲取較為精確的數(shù)據(jù)來進(jìn)行研究，進(jìn)一步提高蓄積量模型的精度和估測能力，以期實(shí)現(xiàn)遙感特征因子與森林蓄積量的整合。

5.2 討論

5.2.1 建模方法

本文采用相關(guān)性分析的方法從大量的遙感特征中選取與生物量密切相關(guān)且獨(dú)立性強(qiáng)的變量建立森林生物量遙感估測模型，這種特征的篩選的方法是依據(jù)線性相關(guān)的大小選取的。而遙感特征與生物量間因子存在明顯的非線性特征。某些與生物量相關(guān)性較低的特征與相關(guān)性較高的特征一起進(jìn)入模型時，低特征會在很大程度上影響模型精度，所以利用線性相關(guān)性大小進(jìn)行特征因子選取的合理性存在質(zhì)疑。

隨機(jī)森林作為非參數(shù)模型，可以很好地彌補(bǔ)參數(shù)模型的不足，從而大大提高精度，欠缺之處在于不能了解非參數(shù)模型的工作原理，但也可以為預(yù)測蓄積量提供一種可能性。

5.2.2 模型精度

本文研究所用的建模樣本為森林資源二類調(diào)查數(shù)據(jù)，樣地調(diào)查采用角規(guī)控制檢尺的方法，還受調(diào)查者經(jīng)驗(yàn)及調(diào)查時天氣影響等，導(dǎo)致調(diào)查精度不高，加之遙感影像在高山峽谷處易變形，導(dǎo)致與地面實(shí)際樣地的空間位置匹配度降低，影響模型的精度。此外，Landsat8 OLI數(shù)據(jù)主要是森林植被表層的光譜數(shù)據(jù)信息，缺少垂直結(jié)構(gòu)信息，并且在一定程度上還會出現(xiàn)遙感信息飽和，導(dǎo)致蓄積量估測精度低。最后，由于地形、大氣和傳感器的不同等造成遙感數(shù)據(jù)與地物間的對應(yīng)關(guān)系極其復(fù)雜。影像的處理達(dá)不到理想的狀態(tài)，也是導(dǎo)致模型精度不高的主要原因[13～17]。

5.2.3 展望

(1)研究以Landsat8 OLI數(shù)據(jù)為遙感數(shù)據(jù)源，但數(shù)據(jù)所承載的信息有限，容易出現(xiàn)數(shù)據(jù)飽和現(xiàn)象。在今后的研究中將探索使用多源數(shù)據(jù)融合方法實(shí)現(xiàn)蓄積量估測。

(2)遙感數(shù)據(jù)是森林生物量遙感估測的基礎(chǔ)。但獲取的遙感數(shù)據(jù)普遍存在飽和現(xiàn)象，這也是影響估測精度的主要原因。下一步應(yīng)加入地形、地貌、海拔等環(huán)境影響因素，進(jìn)一步解決遙感數(shù)據(jù)估測森林蓄積量飽和點(diǎn)的準(zhǔn)確性。